Cuprins 7 secțiuni
Vederea artificială, numită în engleză computer vision, este ramura inteligenței artificiale care permite unui calculator să extragă informații din imagini și din clipuri video: ce obiecte sunt în cadru, unde se află, ce text apare, dacă ceva s-a schimbat față de cadrul anterior. Pentru tine, un calculator nu „vede” nimic; el primește o grilă de numere și învață să recunoască tipare în ea.
Folosești vederea artificială zilnic, chiar dacă nu o numești așa: telefonul care grupează pozele după persoane, aplicația care citește un cod de bare, camera mașinii care avertizează la depășirea benzii. Mai jos vezi ce se întâmplă în spatele acestor funcții, cum învață un model să recunoască ce vede și unde se oprește capacitatea lui.
Cum „vede” un calculator o imagine?
Un calculator vede o imagine ca pe un tabel de numere, în care fiecare număr descrie luminozitatea sau culoarea unui pixel. O fotografie color are trei astfel de tabele, câte unul pentru roșu, verde și albastru. Modelul nu primește „o pisică”, ci milioane de valori, din care trebuie să deducă ce înfățișează poza.
Pentru a economisi spațiu, imaginile sunt de obicei comprimate; mecanismul este descris în Compresia datelor: cum se micșorează fișierele digitale. Înainte de analiză, ele sunt decomprimate și, adesea, redimensionate la o mărime fixă, pentru ca modelul să primească mereu aceeași formă.
Cum învață un model să recunoască obiecte?
Modelul învață prin exemple: i se arată un număr mare de imagini cu eticheta corectă și își ajustează treptat parametrii ca să prezică eticheta pentru poze noi. Este o aplicare a ideii din Învățarea supervizată și nesupervizată: diferențele, iar mecanismul de bază este cel descris în Rețelele neuronale: cum învață un model din date.
Pentru imagini se folosesc de obicei rețele convoluționale, construite pe straturi care analizează mici ferestre din poză. Straturile învață lucruri din ce în ce mai complexe:
- Primele straturi detectează lucruri simple: margini, colțuri, schimbări de culoare.
- Cele din mijloc combină aceste elemente în texturi și forme: o roată, o ureche, un colț de fereastră.
- Cele de la final asamblează formele într-un obiect întreg și stabilesc ce este.
Nimeni nu programează aceste straturi să caute urechi sau roți. Ele ajung la asemenea detectoare singure, pentru că ajută la reducerea erorilor din timpul antrenării. Există și arhitecturi care analizează imaginea ca o secvență de bucăți, asemănător cu felul în care un model de limbaj citește tokeni.
Ce sarcini rezolvă vederea artificială?
Sarcinile se deosebesc după cât de detaliat trebuie să fie răspunsul. Aceeași imagine poate fi analizată în mai multe feluri, iar alegerea depinde de ce ai nevoie.
| Sarcină | Ce răspunde | Exemplu |
|---|---|---|
| Clasificare | ce reprezintă imaginea în ansamblu | poza este o frunză de ardei |
| Detecția obiectelor | ce obiecte sunt și unde, cu un dreptunghi în jur | pietoni și mașini într-o intersecție |
| Segmentarea | ce pixeli aparțin fiecărui obiect | conturul exact al unui organ într-o scanare |
| Recunoașterea textului | ce scrie în imagine | citirea unui număr de înmatriculare |
| Urmărirea | cum se mișcă un obiect între cadre | traseul unei mingi |
Dintre acestea, recunoașterea optică a caracterelor (OCR) este probabil cea mai întâlnită: o folosești când scanezi un document cu telefonul și îl transformi în text care se poate căuta.
Unde se folosește în viața reală?
Vederea artificială apare în domenii foarte diferite, de multe ori fără să ți se spună. Câteva exemple generale:
- Telefon și foto: focalizarea pe fețe, sortarea albumelor, eliminarea fundalului, traducerea textului văzut prin cameră.
- Medicină: sprijin pentru medic la analiza radiografiilor sau a imaginilor din microscop, unde sistemul semnalează zone de verificat, iar decizia rămâne la specialist.
- Industrie: controlul calității, de exemplu detectarea unei sticle fisurate sau a unei piese deformate pe o linie de producție.
- Agricultură: recunoașterea bolilor frunzelor sau estimarea gradului de coacere din imagini făcute cu drona.
- Trafic: sisteme care citesc semne de circulație sau sprijină funcții de asistență la condus.
Multe dintre aceste sisteme rulează pe aparate mici, aproape de locul unde se află camera, nu într-un centru de date îndepărtat. Motivele sunt explicate în Edge computing: procesarea datelor aproape de utilizator: răspunsul trebuie să vină rapid, iar trimiterea fiecărui cadru prin rețea ar fi lentă și scumpă.
Unde greșește vederea artificială?
Modelele de vedere sunt impresionante în condiții cunoscute și surprinzător de fragile în afara lor. Cauzele frecvente sunt lumina slabă sau contrastul puternic, unghiurile neobișnuite față de cele din antrenare, obiectele parțial acoperite și imaginile cu zgomot sau tulburi. La acestea se adaugă obiectele rare, pe care modelul nu le-a întâlnit aproape deloc.
Există și o categorie specială, a exemplelor adversariale: imagini modificate subtil, aproape invizibil pentru om, care induc modelul în eroare. Un autocolant plasat strategic pe un semn de circulație poate, teoretic, schimba ce citește un sistem. De aceea aplicațiile cu miză mare nu se bazează doar pe un senzor sau pe un singur model.
Atenție: acuratețea declarată pentru un sistem se aplică în condițiile în care a fost testat. O cameră montată într-un loc diferit, cu altă lumină, poate da rezultate semnificativ mai slabe.
La fel ca în alte domenii AI, și aici pot apărea diferențe de performanță între grupuri de persoane sau tipuri de scene, dacă datele au fost dezechilibrate; subiectul este tratat în Prejudecățile în AI: de unde vin și cum le reduci.
Ce legătură are cu imaginile generate de AI?
Sunt două fețe ale aceleiași medalii: un sistem de vedere învață să descrie o imagine, iar un generator învață să creeze una pornind de la o descriere. Cel de-al doilea caz este explicat în Generarea de imagini cu AI: cum funcționează difuzia. Faptul că ambele folosesc înțelegerea statistică a pixelilor explică și de ce pozele false devin tot mai greu de recunoscut cu ochiul liber, subiect discutat în Deepfake-urile: cum sunt create și cum le recunoști. Pentru o vedere de ansamblu, ghidul principal al categoriei le așază pe toate la un loc.
Pe aceeași temă, citește și Recunoașterea vocală: cum transformă AI sunetul în text.
Întrebări frecvente
Ce este vederea artificială?
Este ramura AI prin care calculatoarele interpretează imagini și video: recunosc obiecte, citesc text, urmăresc mișcări sau compară cadre.
Cum recunoaște un model o poză cu o pisică?
Învață din mii de exemple etichetate. Straturile rețelei detectează mai întâi margini, apoi forme și, la final, combinații care corespund unei pisici.
Ce este OCR?
Este recunoașterea optică a caracterelor, tehnologia care transformă textul dintr-o poză sau dintr-un document scanat în text editabil și căutabil.
De ce greșește uneori recunoașterea imaginilor?
Din cauza luminii slabe, a unghiurilor neobișnuite, a obiectelor acoperite sau a cazurilor rare, pe care modelul nu le-a văzut suficient la antrenare.
Este vederea artificială folosită în medicină?
Da, ca sprijin pentru specialist, de exemplu pentru semnalarea zonelor suspecte din imagini medicale. Diagnosticul și decizia rămân la medic.
